In contrast, in a multi-criteria ra

In contrast, in a multi-criteria rating setting, users can provide ratings on multiple attributes of an item. For example, a two-criterion movie recommender system
allows users to specify their preferences on two attributes of a movie (e.g., story and
visual effects). A user may like the story, but dislike the visual effects of a movie,
e.g., R(u, i) = (9, 3). If we simply use two ratings with the same weight in making
recommendations, rating their overall satisfaction as 6 out of 10 in the single-rating
application might correspond to a variety of situations in multi-rating application:
(9, 3), (6, 6), (4, 8), etc. Therefore, although the ratings of the overall satisfaction
are stated as 6, two users may show different rating patterns on each criterion of
an item, e.g., user u gives ratings (9, 3), (9, 3), (9, 3), and user u′ gives ratings
(3, 9), (3, 9), (3, 9) to the same three movies. This additional information on each
user’s preferences would help to model users’ preferences more accurately, and new
recommendation techniques need to be developed to take advantage of this additional information. The importance of studying multi-criteria recommender systems

ผลลัพธ์ (ไทย) 1:

ในทางตรงกันข้าม การจัดอันดับหลายเงื่อนไข ผู้ใช้สามารถให้จัดอันดับในหลายแอตทริบิวต์ของรายการ ตัวอย่าง ภาพยนตร์สองเกณฑ์ผู้แนะนำระบบผู้ใช้สามารถระบุการตั้งค่าคุณลักษณะที่สองของภาพยนตร์ (เช่น เรื่องราว และลักษณะการแสดงผล) ผู้ใช้อาจชอบเรื่อง แต่ไม่ชอบแสดงผลภาพยนตร์เช่น R(u, i) = (9, 3) ถ้าเราเพียงแค่ใช้จัดอันดับสอง มีน้ำหนักเดียวกันในการทำคำแนะนำ การประเมินความพึงพอใจโดยรวมเป็น 6 จาก 10 ในอันดับเดียวโปรแกรมประยุกต์อาจสอดคล้องกับความหลากหลายของสถานการณ์ในการจัดอันดับหลายแอพลิเคชัน:(9, 3), (6, 6), (4, 8), เป็นต้น ดังนั้น แม้ว่าการจัดอันดับความพึงพอใจโดยรวมระบุไว้เป็น 6 ผู้ใช้สองคนอาจแสดงแตกต่างกันรูปแบบการจัดอันดับในแต่ละเกณฑ์ของสินค้า เช่น ผู้ใช้ u ให้จัดอันดับ (9, 3), (9, 3), (9, 3), และผู้ใช้ u′ ช่วยจัดอันดับ(3, 9), (3, 9), (3, 9) นี่สามเหมือนกัน ข้อมูลนี้เพิ่มเติมในแต่ละกำหนดลักษณะของผู้ใช้จะช่วยให้แบบกำหนดลักษณะผู้ใช้มากขึ้นอย่างถูกต้อง และใหม่เทคนิคแนะนำจำเป็นต้องได้รับการพัฒนาเพื่อใช้ประโยชน์จากข้อมูลนี้เพิ่มเติม ความสำคัญของการศึกษาระบบผู้แนะนำแบบหลายเงื่อนไข

ผลลัพธ์ (ไทย) 2:

ในทางตรงกันข้ามในการตั้งค่าคะแนนหลายเกณฑ์ที่ผู้ใช้สามารถให้การจัดอันดับในคุณลักษณะหลายรายการ ตัวอย่างเช่นภาพยนตร์สองเกณฑ์ระบบ recommender
ช่วยให้ผู้ใช้สามารถระบุการตั้งค่าของพวกเขาในสองลักษณะของภาพยนตร์ (เช่นเรื่องราวและ
ผลภาพ) ผู้ใช้อาจต้องการเรื่อง แต่ไม่ชอบผลภาพของภาพยนตร์,
เช่น R (มึงฉัน) = (9, 3) ถ้าเราเพียงแค่ใช้สองการจัดอันดับที่มีน้ำหนักเดียวกันในการทำ
ข้อเสนอแนะการประเมินความพึงพอใจโดยรวมของพวกเขาเป็น 6 จาก 10 ในคะแนนเดียว
แอพลิเคชันอาจสอดคล้องกับความหลากหลายของสถานการณ์ในการประยุกต์ใช้หลายคะแนน:
(9, 3), (6 6), (4, 8) ฯลฯ ดังนั้นถึงแม้ว่าการให้คะแนนของความพึงพอใจโดยรวม
ตามที่ระบุไว้ 6 ผู้ใช้สองคนอาจแสดงรูปแบบการให้คะแนนที่แตกต่างกันเกี่ยวกับเกณฑ์ของแต่ละ
รายการเช่นผู้ใช้ยูจะช่วยให้การจัดอันดับ (9, 3 ) (9, 3), (9, 3) และผู้ใช้ยู 'จะช่วยให้การจัดอันดับ
(3, 9), (3, 9), (3, 9) ที่เดียวกันสามภาพยนตร์ นี้ข้อมูลเพิ่มเติมเกี่ยวกับแต่ละ
การตั้งค่าของผู้ใช้จะช่วยให้การตั้งค่าของผู้ใช้รูปแบบ 'ขึ้นอย่างถูกต้องและใหม่
เทคนิคคำแนะนำจะต้องมีการพัฒนาเพื่อใช้ประโยชน์จากข้อมูลเพิ่มเติมนี้ ความสำคัญของการศึกษาตามเกณฑ์หลายระบบ recommender

ผลลัพธ์ (ไทย) 3:

ในทางตรงกันข้าม , ในแบบหลายเกณฑ์การประเมินการตั้งค่าผู้ใช้สามารถให้คะแนนแบบคุณลักษณะของสินค้า ตัวอย่างเช่นสองเกณฑ์ระบบแนะนำภาพยนตร์ระบบ
ช่วยให้ผู้ใช้ระบุความต้องการของพวกเขาสองคุณลักษณะของหนัง ( เช่น เรื่องและผลภาพ ) ผู้ใช้อาจชอบฟังแต่ไม่ชอบผลภาพของภาพยนตร์
เช่น R ( u , i ) = ( 1 , 3 )ถ้าเราเพียงแค่ใช้สองคะแนนด้วยน้ำหนักเดียวกันในทำให้
แนะนำคะแนนความพึงพอใจโดยรวมเป็น 6 จาก 10 ในการจัดอันดับ
เดียวอาจสอดคล้องกับความหลากหลายของสถานการณ์ในการจัดอันดับหลาย :
( 3 , 3 ) , ( 4 , 6 ) , ( 4 , 8 ) , ฯลฯ ดังนั้น แม้ว่าการจัดอันดับของความพึงพอใจโดยรวมจะระบุเป็น
6ผู้ใช้งาน 2 คนอาจแสดงรูปแบบการประเมินที่แตกต่างกันในแต่ละเกณฑ์
รายการ เช่น ผู้ใช้ U ให้คะแนน ( 3 , 3 ) , ( 4 , 3 ) , ( 4 , 3 ) และได้รับการจัดอันดับให้ผู้ใช้ u
( 3 , 3 ) , ( 3 , 3 ) , ( 4 , 9 ) เดียวกันสามภาพยนตร์ นี้ ข้อมูลเพิ่มเติมเกี่ยวกับการตั้งค่าของผู้ใช้แต่ละคน
จะช่วยให้ผู้ใช้ ' การตั้งค่ารูปแบบใหม่
และแม่นยำมากขึ้นเทคนิคที่แนะนำจะต้องได้รับการพัฒนาเพื่อใช้ประโยชน์จากข้อมูลเพิ่มเติมนี้ ความสำคัญของการศึกษาหลายเกณฑ์แนะนำระบบ